Qwen3.8-27B vs Meta Muse Glimmer: Den lokala agentracen, en sida redan här.

Me​ta Muse Glimmer släpptes den 10 augusti 2026 — Apache 2.0, cirka 30 miljarder parametrar, inriktad rakt på lokala agentiska arbetsbelastningar — och den modell som med största sannolikhet blir dess närmaste konkurrent har ännu inte släppts. Alibaba tillkännagav Qwen3.8-27B den 3 augusti som den självhostningsbara medlemmen av Qwe​n3.8-generationen, lovade öppna vikter under veckan från den 10 augusti, och i skrivande stund har det officiella arkivet ännu inte dykt upp. Det gör denna jämförelse medvetet ojämn: den ena sidan är verklig och nedladdningsbar idag, den andra är fortfarande overifierad. Vilket är precis anledningen till att det är värt att skriva nu — Me​ta byggde Glimmers egen benchmark-tabell mot 27B:ans föregångare, så kampen är redan upplagd innan 27B ens existerar.

Matchen i korthet

Båda modellerna jagar samma köpare: någon som vill ha nästan flaggskeppsnivå av agentisk och kodningsförmåga på hårdvara de äger, inte på ett API. Dimensionerna stämmer överens så här, med Qwe​n-sidan markerad som overifierad där repositoryt ännu inte har bekräftat det:

Status — MeTa Muse Glimmer tillgänglig nu vs Qwen3.8-27B tillkännagiven, vikter väntar.

• Storlek — Glimmer är ~29,6B totalt (27,9B textavkodare + 1,9B visionskodare) jämfört med 27B:s ~27B, arkitektur ej bekräftad.

• Licens — Apache 2.0, som täcker vikter, kvantiseringar, drafter och encoder, jämfört med ej tillkännagiven, med Tongyi Qianwen 100M-MAU-klausulen som en verklig möjlighet.

• Kontext — Glimmer stödjer ett 128K token-fönster jämfört med 27B:s kontext, obekräftat.

• Modalitet — Glimmer tar emot text- och bildinmatning via en perception-encoder, jämfört med 27B:n, troligen text-först, obekräftat.

• Lokalt fotavtryck — Glimmer körs i ~17 GB vid dess 4-bitars K-Quant-17GB-inställning jämfört med ett beräknat ~17 GB vid Q4_K_M för 27B.

• Hastighetsteknik — Glimmer levererar DFlash spekulativ avkodning (Meta rapporterar 74,9 till 233,4 tokens/s på en RTX 5090, ett 3,1× hopp) jämfört med 27B, inga sådana påståenden ännu.

Varför Me​ta siktade hit

Muse Glimmer är en destillerad och kvantiserad version av Me​tas stängda flaggskeppsmodell Muse Spark 1.2, utgiven av Me​ta Superintelligence Labs och finjusterad specifikt för ständigt påslagna agenter på enheten: verktygsanrop, flerstegsresonemang, återhämtning efter fel och nya försök, växelvis text- och bildförståelse samt över 100 språk. Me​tas egna siffror placerar den före Ge​mma 4-familjen och Qwen3.6-27B på flera agentiska tester — MCP Atlas 75.5, DeepSearch QA 74.6, SWE-Bench Pro 51.2 — och strax efter på några andra. Allt detta är rapporterat av leverantören och har inte oberoende reproducerats, och det är värt att säga rakt ut: på de agentiska riktmärken som Me​ta valde leder Glimmer den tidigare Qwe​n-generationen, och på dem som Me​ta inte valde leder Qwe​n fortfarande.

Två saker gör Glimmer anmärkningsvärt utöver siffrorna. För det första licensen: Apache 2.0, ingen MAU-klausul, ingen kommersiell diskussionströskel — det mest tillåtande som Me​ta har släppt på länge, och Zuckerbergs åtföljande essä gjorde det strategiska spelet tydligt. För det andra verktygskedjan från dag ett: llama.cpp, Hugging Face Transformers, Ollama, LM Studio och SGLang fick alla stöd vid eller nära lanseringen, vilket är precis vad en lokal modell behöver för att vara användbar snarare än bara nedladdningsbar.

Me​ta har redan valt motståndaren.

Det mest användbara faktumet i Glimmers release för denna jämförelse är vem Me​ta benchmarkade mot: Qwen3.6-27B, den direkta föregångaren till Qwen3.8-27B. I Me​tas egen tabell slår Glimmer knappt Qwe​n 27B på SWE-Bench Pro (51,2 mot 50,2) men ligger efter på SWE-Bench Verified (76,0 mot 77,2), och Qwe​n leder på OSWorld-Verified, Terminal-Bench 2.1 och de flesta multimodala riktmärken. De två familjerna är med andra ord jämnstarka i den lokala 27–30B-klassen, och Qwe​n-sidans 3.8-generation är uppföljaren till exakt den modell Me​ta använde som referenspunkt. Det är den verkliga rubriken i denna uppgörelse: 27B är inte en hypotetisk konkurrent till Glimmer, det är den nuvarande modellens nästa version, och Me​ta har redan berättat för oss hur nära baslinjen är.

Vad är fortfarande overifierat på Qwen-sidan?

Tills repot publiceras, är Qwen3.8-27B-kolumnen mestadels frågetecken: om den är tät eller MoE, dess kontextfönster, om den är multimodal, och inte minst dess licens. Licensfrågan är den som ensam skulle kunna avgöra denna jämförelse — en modell licensierad under Tongyi Qianwen är ett annat upphandlingsbeslut än en under Apache 2.0, särskilt för kommersiella produkter över MAU-tröskeln. Inga av 27B:s benchmarkresultat finns ännu, och de leverantörsrapporterade siffrorna för den bredare 3.8-generationen tillhör Max, inte 27B.

Vilken ska man välja?

Om du behöver en fungerande lokal agentmodell idag, skriver sig beslutet självt: Me​ta Muse Glimmer finns, körs på ett 24 GB-kort, har runtime-stöd från dag ett och är Apache 2.0. Qwen3.8-27B är ett löfte. Om du redan är standardiserad på Qwe​n-ekosystemet, eller om ditt krav är ett specifikt riktmärke som 3.8-generationen förväntas förbättra, är 27B värd att vänta på — men väntan har en verklig alternativkostnad, och licensen kan ändra ditt svar när den väl släpps.

Team som varken vill vänta eller bli inlåsta har en medelväg. OrcaRouter dirigerar över 200 modeller genom ett enda API till leverantörens listpris, utan påslag och med automatisk failover — Qwen3.8 Max finns där idag för $2.00/$6.00 per miljon tokens, och Metas egen stängda Muse Spark-serie kan nås genom samma nyckel. När 27B släpps och vinner förtroende i oberoende benchmarks är failover vägen att testa den mot en produktionsbelastning utan att satsa hela vägen på en oprövad modell: dirigera en del av trafiken till den, behåll resten hos den nuvarande modellen och låt verklig användning avgöra.

Ingen av sidorna har oberoende granskats ännu — Glimmers siffror är Metas, och 27B har inga siffror alls. Det ärliga resultatet efter första veckan: Glimmer är modellen du faktiskt kan köra, 27B är den du kommer att jämföra den med om en månad, och licensfilen, inte benchmarktabellen, är det som mest sannolikt får ett team att ändra sig.